如何标准化 numpy 矩阵：举例

标准化矩阵意味着缩放值，使得行或列值的范围在 0 和 1 之间。

标准化 NumPy 矩阵值的最简单方法是使用 sklearn 包中的normalize()函数，该函数使用以下基本语法：

 from sklearn. preprocessing import normalize

#normalize rows of matrix
normalize(x, axis= 1 , norm=' l1 ')

#normalize columns of matrix
normalize(x, axis= 0 , norm=' l1 ')

以下示例展示了如何在实践中使用此语法。

示例 1：标准化 NumPy 矩阵的行

假设我们有以下 NumPy 矩阵：

 import numpy as np

#create matrix
x = np. arange (0, 36, 4). reshape (3,3)

#view matrix
print (x)

[[ 0 4 8]
 [12 16 20]
 [24 28 32]]

以下代码显示了如何标准化 NumPy 矩阵的行：

 from sklearn. preprocessing import normalize

#normalize matrix by rows
x_normed = normalize(x, axis= 1 , norm=' l1 ')

#view normalized matrix
print (x_normed)

[[0. 0.33333333 0.66666667]
 [0.25 0.33333333 0.41666667]
 [0.28571429 0.33333333 0.38095238]]

请注意，现在每行中的值加起来为 1。

• 第一行总和：0 + 0.33 + 0.67 = 1
• 第二行总和：0.25 + 0.33 + 0.417 = 1
• 第三行总和：0.2857 + 0.3333 + 0.3809 = 1

示例 2：标准化 NumPy 矩阵的列

假设我们有以下 NumPy 矩阵：

 import numpy as np

#create matrix
x = np. arange (0, 36, 4). reshape (3,3)

#view matrix
print (x)

[[ 0 4 8]
 [12 16 20]
 [24 28 32]]

以下代码显示了如何标准化 NumPy 矩阵的行：

 from sklearn. preprocessing import normalize

#normalize matrix by columns
x_normed = normalize(x, axis= 0 , norm=' l1 ')

#view normalized matrix
print (x_normed)

[[0. 0.08333333 0.13333333]
 [0.33333333 0.33333333 0.33333333]
 [0.66666667 0.58333333 0.53333333]]

请注意，现在每列中的值加起来为 1。

• 第一列之和：0 + 0.33 + 0.67 = 1
• 第二列之和：0.083 + 0.333 + 0.583 = 1
• 第三列之和：0.133 + 0.333 + 0.5333 = 1

其他资源

以下教程解释了如何在 Python 中执行其他常见操作：

如何在 Python 中规范化数组
如何标准化 Pandas DataFrame 中的列